汽车电动踏板基于LiDAR点云数据的低矮植被分类方法 孙嘉悦;张旭晴;牛雪峰
【摘 要】Based on the Li DAR point cloud data, the research on the method of low-level vegetation isolation in small area is carried out. The ground points and the low vegetation points are separated using the progressive cryptographic triangulation algorithm. The application of the algorithm is verified by analyzing the effect of adjusting the threshold on the separation effect. The result shows that the progressive cryptographic triangulation algorithm is suitable for flat areas with wide distribution of low vegetation but not suitable for mountainous areas and urban areas with large terrain fluctuations.%基于LiDAR点云数据进行小区域低矮植被分类方法的研究, 利用渐进加密三角网算法分离地面点与低矮植被点, 通过分析调整阈值对分离效果的影响验证该算法的适用程度.本文研究表明渐进加密三角网算法适用于低矮植被分布多的地势平坦地区, 不适用于地形起伏较大的山区与城市地区. 【期刊名称】《世界地质》
【年(卷),期】2018(037)004
【总页数】9页(P1265-1273)
【关键词】LiDAR;分类;滤波
【作 者】孙嘉悦;张旭晴;牛雪峰
【作者单位】吉林大学 地球探测科学与技术学院, 长春 130026;吉林大学 地球探测科学与技术学院, 长春 130026;吉林大学 地球探测科学与技术学院, 长春 130026
【正文语种】中 文
【中图分类】TP79
0 引言
20世纪70年代，机载LiDAR技术是一项发展速度极快的测量方法，是激光测距技术、高精度动态载体姿态测量技术和高精度动态GPS差分定位技术迅速发展的集中体现[1]。它是一种快速获取地形数据的先进技术，在三维信息获取中扮演重要角[2]。机载激光LiDAR[3]系统所获取的原始LiDAR点云数据包括地面点和非地面点(可能包括少量噪声点)，如何区分
移相电路
地面点与非地面点(包括植被点、建筑物点等)是广大测绘工作者共同关心的前沿问题[4]。国内外研究者，开展基于机载LiDAR技术的分类工作，取得大量研究成果。张小红、许晓东[5]提出了分析脉冲式激光扫描测距系统的两次回波信号，确定激光脉冲首次回波和尾次回波信号时刻，经过处理，可以得到首尾两次回波激光脚点的坐标和高程。利用所得高程信息生成两个数字表面模型进行求差，差值较大的地区就是植被区域。但是这个方法的局限性在于不能排除两次回波信号所确定的高程几乎相等的情况[4]，这是因为同一束激光射到某片树叶上，不能确定出明显的高程变化。张齐勇[6]等人提出了基于复杂城区的树木提取方法，该方法使用区域增长法和梯度分割。由于建筑物具有连续面积较大的特点，而树木极少具有面积较大的特点，所以，在区域增长法中，针对地物进行区域增长，利用高程差阈值获得地物点高程一致的区域，再利用面积阈值滤掉连续的大面积建筑物；在梯度分割法中，进一步滤掉一些小建筑物顶面凸点和一些地面点。结合区域增长法和梯度分割，能很好的提取点云中的树木数据，提取率较高，误判率较低。刘峰[7]等人提出一种支持向量机的三维LiDAR[8-14]数据分类方法，此方法根据植被点云所构成的曲面特征，首先利用kd-trees组织无序的点云数据，利用点云位置和法向量关系分析协方差进而估算出几种统计变量，分别是规则性、一致性、平整性及法向量分布性统计变量；之后将密度信息和高 程差值作为SVM[15-17]的输入变量，进而实现植被点云数据的分类和识别。王明华[18]等人提出了基于坡度对陡坡林区LiDAR点云数据滤波的预处理算法，结合迭代最小二乘滤波方法改进了滤波算法，有效地降低了第一类误差和第二类误差。徐国杰[19]采用试验最大内插距离和最大内插角度两个阈值，根据滤波次数动态调整了数值以达到最佳滤波效果，改进了TIN[20,21]迭代滤波算法。陈静[22]使用一种改进的基于TIN渐次加密的LiDAR点云数据滤波算法，该方法对筛选出的地面种子点构建TIN表面，在此基础上进行向上加密。Sagi Filin[23]对测高数据进行表面聚类，并分析表面纹理，通过非监督分类来识别具有相同性质的部分。分类包括分析处理激光数据的不同点密度，处理不规则分布的数据集，分析数据的属性以及获得数据属性的方法[2,23]。
本文使用渐进加密三角网[24]算法通过反复建立地表三角网模型，排除植被点。该模型首先选择较低点建立三角模型，然后通过反复向模型中加入新的符合预置条件的点向上扩建模型，每个能够加入到模型的点使模型更加贴近地表。利用迭代角度和迭代距离两个参数控制三角网的更新。构建模型剩余的激光点即为分离出的低矮植被点。
1 方法
1.1 点云空间特征识别植被点云
点云具有空间几何特征，例如点与点之间的距离特征，点云构成的平面法向量特征等。可以通过不同类型点云的空间几何特征的不同进行植被点云的识别。
假设p∈P是点云数据中的一个样本点，Np={q |q∈P,‖p-q‖<δ}表示点p的最小临近点集，是Np点集的中心点。对局部几何属性进行统计，计算以下几种特征值：
规则性。计算样本点p与的距离关系：
(1)
线材生产
一般分布在人工建筑物顶部的点较规则，其ξ1较小；一般自然植被点分布不均匀且不规则，所以ξ1较大。
双人雨披一致性。人工建筑物屋顶部分的法向量的方向近似于垂直方向。
ξ2=1-|np0-ez|
油纸电容式套管
指纹认证(2)
式中：ez=(0,0,1)代表垂直方向的方向向量；np代表局部协方差矩阵[25]，通过协方差矩阵可以求解特征向量等，将np中3个特征值排序(λ0≤λ1≤λ2)，相应的λ0的特征向量近似于点p的法向量；np0是λ0对应的特征向量。ξ2较大，则被分为建筑物；ξ2较小，则被分为植被点云。
平整性。通过np计算点p的平整性：
(3)
通常分布在人工建筑物屋顶部分的点具有较高的平整性，ξ3较小；而自然植被点平整性不高，ξ3较大。
利用kd-trees组织无序的点云数据，在n个最近邻近点范围利用点云位置和法向量关系进行协方差分析，估算出以上几种统计变量；将密度信息和高程差值构成SVM输入变量，利用基于径向基函数的SVM方法实现植被点云数据的分类和识别。
1.2 区域增长法结合梯度分割法识别植被点
区域增长法从像素出发，按某一属性一致的原则，将属性相似的连续的像素集合成同一区域。通过区域增长法，把高程接近的地物点合并为一个区域，计算每个区域的面积。面积较大的区域划分为建筑物点滤除。但是一些面积较小的房屋没有被滤除，还有以下坡度较大的地面点被误判为植被点，所以还需进行梯度分割法识别植被点。
在点云数据中，建筑物表面一般较规则，连续性明显。植被生长不规则，高程变化较大，内部在各个方向也不连续。所以，如果忽略噪声的影响，绝大多数人工建筑物的二阶导数接近于零，植被表面各点的二阶导数不为零并且较大。因此，可以利用二阶导数剔除区域增长法中被误判的点，通常用梯度代替二阶导数。梯度值定义如下：
(4)
通过设定合适的梯度阈值识别植被点。
1.3 渐进加密三角网滤波算法
渐进加密三角网滤波[26,27]算法通过种子点生成一个稀疏的TIN，从点云中提取了初始的地形，再逐层将满足阈值条件的点加入到三角网中，一直到所有满足条件的点都被添加到
地形中去。
图1 渐进加密三角网算法原理图Fig.1 Schematic diagram of progressive cryptographic triangulation algorithm
渐进加密三角网滤波流程：①点云数据的获取；②将点云数据进行格网划分，取高程较低的点构成三角网；③判断待确定点到三角面片的垂直距离和到三个顶点的夹角是否满足设定阈值；④将满足条件的点加到三角网中，重新建立三角网，达到加密三角网的效果；⑤逐个检测每个点重复③④步，直到没有符合条件的点为止。
2 渐进加密三角网算法提取植被点
2.1 研究区概况
研究区域位于吉林省西北部的白城地区，松嫩平原西部，科尔沁草原东部。地势由西北向东南依次为低山、丘陵和平原，西南略有抬升。白城市草原辽阔，可利用草场面积9 064 km2，适用于提取植被点试验。低矮植被为植高20～30 cm的不易与地面点分离的植被点。选取一块宽1 600像素，长1 200像素，像素大小为0.05 m的区域，区域内包含1 410个
激光点，其中包含地表点与低矮植被点两种激光点。图2为试验区域白城市。
图2 试验区域Fig.2 Test area
2.2 数据处理过程
①对研究区域进行去噪工作。之后从距离0.5～1.5 m每隔0.1 m，角度从1°～10°每隔1°做一次实验。在这一步试验中发现距离不变时，角度为3°时效果较好；角度为3°时，距离0.3、0.4、0.5 m时效果较好并且没有失真情况发生。图3至图5表示角度为3°距离分别为0.3、0.4、0.5 m条件下的分离效果。
② 保持迭代角度为3°不变，距离在0.3～0.5 m之间每隔0.01 m做一次试验。试验结果是：在迭代角度为3°不变时，距离分别为0.31、0.43、0.44、0.45、0.48、0.49 m时效果较好，但是相互之间效果差别不大，只有小气泡细微的形状上的变化和一个小气泡数量上的区别。
③ 距离为0.31 m不变，角度为2.5°～3°每隔0.1 m做一次实验。试验结果为，在角度为2.5°和2.6°时等高线发生失真，在图6失真区域上由椭圆圈出。
图3 角度3°距离0.3 mFig.3 Angle is 3°and distance is 0.3 m
图4 角度3°距离0.4 mFig.4 Angle is 3°and distance is 0.4 m
图5 角度3°距离0.5 mFig.5 Angle is 3°and distance is 0.5 m
图6 失真区域Fig.6 Distortion zone
④ 角度为2.7°～2.8°每0.01 m与距离0.31、0.43、0.44、0.45、0.48、0.49 m分别做试验。试验结果为：迭代角度为2.71°与迭代距离为0.45 m组合，迭代角度为2.80°与迭代距离为0.49 m组合分离率达到50%，分离效果较好。图7表示角度为2.71°距离为0.45 m条件下的分离效果。图8表示角度为2.80°距离为0.49 m条件下的分离效果。
⑤ 角度为2.80°～2.90°每0.01 m与距离0.31、0.43、0.44、0.45、0.48、0.49 m分别做试验。试验结果为：迭代角度为2.81°与迭代距离0.45 m组合，迭代角度2.81°与迭代距离0.48 m组合，迭代角度2.81°与迭代距离0.49 m，迭代角度2.89°与迭代距离0.49 m组合，分离率达到56.25%，效果较好。图9至图12分别为这四组迭代参数条件下的分离效果。
图7 角度2.71°距离0.45 mFig.7 Angle is 2.71°and distance is 0.45 m
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议